第3章-平稳性与功率谱密度.pptVIP

2021/3/17 * 解: 2021/3/17 * 2021/3/17 * 由于相关函数是偶函数,得 而协方差函数为: 由此可见,随机电报过程X(t)为一平稳随机过程 功率谱密度: * * 2021/3/17 * 2021/3/17 * 解:X(t)的均值为0,相关函数为 故X(t)为广义平稳信号,功率谱为: 由功率谱知,它是正的实偶函数,信号的全部功率集中在w0处。 例 3.8 设正弦信号X(t)=Acos(w0t+Θ),求它的功率谱。假设A与Θ独立,Θ在[0,2π)均匀分布,且E[A2]=2σ2。 2021/3/17 * 与确定信号不同的是,随机信号的频域分析主要是考察它的功率谱,而非信号谱。 2021/3/17 * 相位的不确定性,使X(t)的傅里叶变换是随机的。 其统计平均为0,互相关函数为(1/2)cosw0τ, 故X(t)是广义平稳的,其功率谱密度为 虽损失了相位特性,但有效给出了信号成分的分布。 平稳随机信号的傅里叶变换是随机的谱函数,但是功率谱密度是一个确定的谱函数。通过功率谱可以更加明确地说明随机信号各频率成分的含量。 2021/3/17 * 解:首先进行分解 利用公式 均方值为R(0)=7/24。 自相关函数为: 例 3.9 已知平稳随机信号X(t)的功率谱S(w) = (w2+4)/(w4+10w2+9),求其自相关函数与均方值。 2021/3/17 * 性质1 平稳信号的功率谱总是正的实偶函数,即SX(-w) = SX(w) 0。 分析下面两式是否是功率谱的表达式。 由于上式可能为虚数,不是正确的功率谱表达式。 又如,1-e [-(w-1)2]可能为负数,也不是偶函数,因此也不是正确的功率谱表达式。 2021/3/17 * RX(τ)与SX(w)都是实偶函数,只需关心e jwτ的实部,相关函数和功率谱的关系可以表示为: 2021/3/17 * 鉴于偶函数的特点,应用中经常使用单边功率谱,表示为: 2021/3/17 * 互功率谱密度 互功率谱通常是复函数,反映了两个信号的关联性沿w轴的密度状况。 2021/3/17 * （1)两种互功率谱的实部相同,而虚部反号; （2)实信号的互相关函数为实函数,因此,互功率谱的实部都是偶函数,虚部都是奇函数。 性质2 互功率谱具有对称性。 2021/3/17 * 解: 由于X(t)与Z(t)独立,且Z(t)是零均值的,因此它们正交。 例3.10 讨论（加性）单频干扰。若实平稳信号X(t)受到加性的独立随机正弦分量Z(t) = Acos(w0t+Θ)的干扰。已知A, w0为常数,Θ是在[0,2π)上均匀分布的随机变量。求（1）受扰后信号Y(t)的相关函数;（2）信号X(t)与Y(t)是否联合平稳?若是,进一步求功率谱SY(w)与互功率谱SXY(w)。 2021/3/17 * 对于Y(t)=X(t)+Z(t), E[Y(t)]=mX 正交项使得交叉项为0 故X(t)和Y(t)为联合平稳信号。 2021/3/17 * 通过傅里叶变换得到 从Y(t) 的功率谱中可以看到单频干扰成分w0。 2021/3/17 * 3.5 白噪声与热噪声 2021/3/17 * 白噪声通常均值为零,因此C(τ)=R(τ)。 相关系数为: 白噪声有时也通俗地称为“纯随机的”: （1）无限带宽的理想随机信号 （2）功率（即方差）为无穷大 （3）而不同时刻上彼此不相关 2021/3/17 * 若白噪声的每个随机变量都服从高斯分布,则称其为高斯白噪声（信号）（WGN, White Gaussian Noise）。它是无关信号,也是独立信号,代表信号“随机性”的一种极限。 如果平稳序列对所有m满足 或者 则该序列是白噪声序列。高斯白噪声序列是独立序列。 2021/3/17 * 例3.11 若N(n)是方差为σ2的零均值高斯白噪声序列,试求:（1）它的相关函数R[n1,n2]与协方差函数C[n1,n2];（2）它的n维概率密度函数。 解:相关函数和协方差函数为 因为N(n)是独立同分布的,其n维概率密度函数为 2021/3/17 * 3.6 应用举例 解: 由欧拉公式,有 当且仅当ΦΘ(1)=0时,E[X(t)]=0 (常数)。 例3.13 讨论随机相位正弦信号的广义平稳条件。 正弦随机信号X(t)=Acos(w0t+Θ),其中随机变量A的均值为mA,方差为σA2,Θ的特征函数为Φθ(v),Θ与A统计独立。 讨论X(t)的广义平稳性。 2021/3/17 * 当且仅当ΦΘ(2)=0时,上式为0。 2021/3/17 * 随机相位正弦信号广义平稳的充要条件是: 此时 当 有 2021/3/17 * 解:Y(t)是广义平稳信号,有 2021/3/17 * 调制使得信号的频谱发生搬移